Probabilidades e Estat´ıstica
Cap´ıtulo 2 - No¸c˜oes b´asicas de probabilidade
Concei¸c˜ao Amado, Isabel M. Rodrigues
Instituto Superior T´ecnico
Lisboa, 2022
1 / 39
Sum´ ario
1 2.1 Experiˆencias aleat´orias. Espa¸co de resultados.
Acontecimentos
2 2.2 No¸c˜ao de probabilidade. Probabilidade condicionada e lei da probabilidade total
3 2.3 Teorema de Bayes
4 2.4 Acontecimentos independentes
Acontecimentos
”Sempre que aplicamos matem´atica a fim de estudar alguns fen´omenos de observa¸c˜ao, devemos essencialmente come¸car por construir um modelo matem´atico (determin´ıstico ou n˜ao) para esses fen´omenos.“ Neyman, J.
Defini¸c˜ao: Modelo Determin´ıstico
As condi¸c˜oes em que a experiˆencia ´e realizada determinam o resultado da experiˆencia.
Exemplos: lei movimento uniforme; lei de Ohm; . . . Defini¸c˜ao: Modelo Probabil´ıstico
A realiza¸c˜ao de uma experiˆencia ir´a ter v´arios resultados poss´ıveis, aos quais, se poss´ıvel, vamos associar um n´umero (probabilidade).
Exemplos: fen´omenos meteorol´ogicos; euromilh˜oes;
lan¸camento de uma moeda; . . .
3 / 39
2.1 - Experiˆ encia Aleat´ oria
Defini¸c˜ao:
Experiˆencia Aleat´oria (E.A.) ´e a realiza¸c˜ao de um fen´omeno aleat´orio.
Caracter´ısticas:
os resultados particulares s˜ao imprevis´ıveis mas ´e poss´ıvel descrever o conjunto de todos os resultados poss´ıveis;
apesar dos resultados particulares serem imprevis´ıveis ´e poss´ıvel observar um padr˜ao de regularidade ao fim de um grande n´umero de realiza¸c˜oes.
2.1 - Exemplos de E.A.’s
Algumas EA
jogos de azar:
lan¸camento de uma moeda;
lan¸camento de um dado;
escolha de uma carta num baralho.
energia consumida numa rea¸c˜ao qu´ımica;
dura¸c˜ao de uma chamada telef´onica;
caracter´ıstica “defeituosa” ou “n˜ao defeituosa” de pe¸cas produzidas em s´erie.
5 / 39
2.1 (cont.)
Defini¸c˜ao: Espa¸co de Resultados/Espa¸co Amostral
Todos os resultados poss´ıveis de uma experiˆencia aleat´oria.
Representa-se geralmente por Ω ou S.
A formula¸c˜ao de um modelo probabil´ıstico associado a uma experiˆencia aleat´oria inicia-se pela defini¸c˜ao do espa¸co de resultados;
Os elementos de Ω podem ser n´umeros, atributos ou uma combina¸c˜ao de elementos quantitativos e qualitativos;
Ω pode ser finito, infinito numer´avel ou infinito n˜ao numer´avel.
Classifica¸c˜ao de Ω:
Discreto: Se cardinal de Ω (#Ω) ´e finito ou infinito numer´avel;
Cont´ınuo: Se cardinal de Ω (#Ω) ´e infinito n˜ao numer´avel.
Exemplos:
E.A. Ω
EA1 lan¸camento de moeda Ω1 ={cara,coroa}
EA2 lan¸camento de dado Ω2 = { , , , , , }
EA3 dura¸c˜ao de chamada telef´onica Ω3 = [0,+∞[
EA4 classifica¸c˜ao de uma pe¸ca Ω4 ={defeituosa, n˜ao defeituosa}
EA5 lan¸camento de moeda at´e sair cara Ω5 =
F,F F¯ ; ¯FF F¯ ; ¯FF¯F F¯ , . . . F =’cara’ e ¯F =’coroa’
7 / 39
2.1 (cont.)
Defini¸c˜ao: Acontecimento
Qualquer subconjunto de Ω ´e um acontecimento.
Os acontecimentos s˜ao, em geral, representados pelas primeiras letras mai´usculas do alfabeto latino; A, B, C,· · ·
Defini¸c˜ao: Espa¸co de acontecimentos de uma experiˆencia aleat´oria, A E o conjunto de todos os acontecimentos definidos num espa¸´ co de resultados.
EA2 =’ Lan¸camento do dado’
A = {∅,{ , , . . . ,( , ),( , ), . . . ,Ω2}
#A= 60
+ 61
+, . . . ,+ 66
= 2#Ω2 = 26
Defini¸c˜ao: Ocorrˆencia/Realiza¸c˜ao do acontecimento A
Diz-se que A ocorreu/realizou-se se ao realizar-se a experiˆencia (uma
´
unica vez) o resultado obtido ´e um elemento de A.
2.1 (cont.)
Exemplos Acontecimentos:
EA1: A1 = {cara}
EA2: A2 = {n.o de pontos inferior a 3} = { , } (defini¸c˜ao em compreens˜ao) (defini¸c˜ao em extens˜ao)
EA3: A3 = {dura¸c˜ao inferior a 30 unidades} = [0,30[
Considere-se EA2:
se o dado for lan¸cado e sair ent˜ao A2 ocorreu;
se o dado for lan¸cado e sair ent˜ao A2 n˜ao ocorreu (¯A ou Ac)
9 / 39
2.1 (cont.)
Mais exemplos...
EA6 = ’Lan¸camento de dois dados equilibrado, com faces numeradas de 1 a 6, com o objetivo de registar as faces voltadas para cima’
Ω6 = {( , ),( , ), . . . ,( , )} ´e o espa¸co de resultados e
#Ω = 36.
O resultado {( , )} ´e um acontecimento designado por elementar.
O acontecimento A=“ocorrer faces iguais”´e representado por A = {( , ),( , ), . . . ,( , )}.
Alguns Acontecimentos Especiais
Acontecimento certo - Ω (realiza-se sempre);
Acontecimento imposs´ıvel - ∅ (n˜ao cont´em nenhum elemento de Ω, nunca se realiza).
Acontecimento elementar - Ω (discreto)
Todos os subconjuntos com cardinal 1, usualmente denotados por {ωi} ,i = 1,2,· · · .
Opera¸c˜oes com acontecimentos (⇔ opera¸c˜oes com conjuntos) – complementa¸c˜ao (A);
– uni˜ao (A∪B);
– intersec¸c˜ao (A∩B);
– diferen¸ca (A\B)
Rever: diagramas de Venn; propriedades das opera¸c˜oes (comutativas, associativas, distributivas, elementos neutros, elementos absorventes, leis de De Morgan, dupla nega¸c˜ao).
11 / 39
2.1 (cont.)
Defini¸c˜ao:
Dois acontecimentos A e B dizem-se exclusivos (disjuntos) se n˜ao puderem ocorrer simultaneamente, ou seja, se A∩B = ∅.
Ω
A
B
Generaliza¸c˜ao: ∀A1,A2,...∈A:Ai∩Aj=∅, (i̸=j) dizem-se acontecimentos mutuamente exclusivos
2.2 No¸c˜ ao de probabilidade. Probabilidade condicionada e lei da probabilidade total
Probabilidade
A probabilidade ´e uma medida que pretende quantificar a
“possibilidade” de ocorrˆencia de cada acontecimento.
Dado um acontecimento A ⊂ Ω representa-se por P(A) a probabilidade desse acontecimento se realizar, a qual ´e traduzida por um n´umero real no intervalo [0,1].
A no¸c˜ao de probabilidade ´e um conceito complexo, no entanto pode-se adiantar algumas das suas interpreta¸c˜oes.
13 / 39
2.2 No¸c˜ ao de probabilidade. Probabilidade condicionada e lei da probabilidade total
Interpreta¸c˜ao/defini¸c˜ao cl´assica ou de Laplace (`a priori) Dado um espa¸co de resultados com N elementos equiprov´aveis, P({ωi}) = 1/N,∀i, a probabilidade de qualquer acontecimento A ´e dada por
P(A) = #A
N = n.o de casos favor´aveis a A n.o de casos poss´ıveis
=⇒ Rever c´alculo combinat´orio.
Limita¸c˜ao:
A defini¸c˜ao cl´assica n˜ao pode ser aplicada quando:
o espa¸co de resultados tem um n´umero infinito de elementos;
os elementos n˜ao s˜ao igualmente poss´ıveis.
=⇒ S˜ao necess´arias outras interpreta¸c˜oes de probabilidade!
Defini¸c˜ao: frequˆencia relativa do acontecimento A
Dada uma experiˆencia aleat´oria que se realizou n vezes, e um acontecimento A, chama-se frequˆencia relativa do acontecimento A, ao quociente
fn(A) = n(A) n
onde n(A) representa o n´umero de vezes que se observou o acontecimento A (ou seja, ´e a frequˆencia absoluta de A).
15 / 39
2.2 (cont.)
Interpreta¸c˜ao/defini¸c˜ao frequencista
A probabilidade do acontecimento A, P(A), ´e o “limite” da frequˆencia relativa, fn(A), quando n → ∞.
Limita¸c˜ao:
A defini¸c˜ao frequencista n˜ao pode ser aplicada quando:
n˜ao ´e poss´ıvel repetir a experiˆencia um n´umero muito elevado de vezes;
n˜ao ´e poss´ıvel repetir a experiˆencia exatamente nas mesmas condi¸c˜oes.
2.2 (cont.)
Exemplo
Imagine-se uma experiˆencia aleat´oria s´o com dois resultados poss´ıveis mas que n˜ao sejam necessariamente igualmente prov´aveis. Pode ser o caso do lan¸camento de uma moeda em que n˜ao se tem a certeza de que a moeda ´e equilibrada ou a experiˆencia E4 da Sec¸c˜ao 2.1 (classifica¸c˜ao de pe¸cas em defeituosas ou n˜ao defeituosas).
Repetindo a experiˆencia um n´umero muito elevado de vezes observa-se que a frequˆencia relativa dos acontecimentos elementares (que s˜ao s´o dois, neste caso), tende a estabilizar `a medida que o n´umero de repeti¸c˜oes cresce (embora a sequˆencia particular de valores seja imprevis´ıvel).
17 / 39
2.2 (cont.)
Em ...
set.seed(2022)
n<-3000 ## n = n´umero de repeti¸c~oes p<-0.2 ## p = verdadeiro valor de P(A) k<-10 ## k = n´umero de sequ^encias
aux<-rbinom(n,1,p)
plot(cumsum(aux)/(1:n),type="l",ylim=c(0,1),xlab="n", ylab="fn(A)",col="blue")
abline(h=p,lty=2,col=2) for (i in 1:k){
aux<-rbinom(n,1,p)
if (interactive()) {cat("\nCarregue em
<Return> para continuar: ") readline()}
lines(cumsum(aux)/(1:n),col="blue") }
Interpreta¸c˜ao/defini¸c˜ao subjetivista ou subjectiva:
Admite-se que cada pessoa pode atribuir a cada acontecimento um n´umero — a que chama “probabilidade do acontecimento” — e que expressa o seu grau de credibilidade pessoal em rela¸c˜ao
`
a ocorrˆencia do acontecimento.
Limita¸c˜ao:
A probabilidade subjectiva de um dado acontecimento pode variar de indiv´ıduo para indiv´ıduo, mas deve ser coerente para o mesmo indiv´ıduo.
A coerˆencia ´e garantida pela defini¸c˜ao axiom´atica.
Os axiomas s˜ao inspirados em propriedades verificadas pelas interpreta¸c˜oes anteriores (cl´assica e frequencista) e a sua verifica¸c˜ao ´e exigida no caso da interpreta¸c˜ao subjetivista;
Consoante a situa¸c˜ao, ´e razo´avel admitir qualquer uma das interpreta¸c˜oes.
19 / 39
2.2 (cont.)
Axiom´atica (Kolmogorov, 1933)
As probabilidades dos acontecimentos pertencentes ao conjunto dos acontecimentos definidos em Ω, designado por A (ver Obs. 1), ´e um n´umero satisfazendo os trˆes Axiomas seguintes:
Axioma 1:P(A) ≥ 0, ∀A ∈ A Axioma 2:P(Ω) = 1
Axioma 3:P S+∞
i=1 Ai
= P+∞
i=1 P(Ai), ∀A1,A2,...∈A: Ai∩Aj=∅,(i̸=j) (Probabilidade da uni˜ao de acontecimentos mutuamente exclusivos)
Obs. 1 Se Ω for discreto A pode conter todos os subconjuntos de Ω, caso contr´ario ´e necess´ario impor restri¸c˜oes;
Obs. 2 Para mais detalhes sobre sigma-aditividade ver, por exemplo, Bauer, H. (2001), Measure and Integration Theory, Berlin: de Gruyter.
2.2 - Teoremas (Resultados ) decorrentes dos Axiomas
Resultado 1: P(A) = 1−P(A)
Demonstra¸c˜ao: A∪A = Ω, A∩A = ∅
pelo Axioma 3, P(Ω) = P(A∪A) = P(A) +P(A) pelo Axioma 2, P(Ω) = 1
)
⇔ P(A)+P(A) = 1
Resultado 2: P(∅) = 0
Demonstra¸c˜ao: consequˆencia do Resultado 1 e do Axioma 1, pois ∅ = Ω
Resultado 3: P(B\A) = P(B)−P(A ∩B)
Demonstra¸c˜ao: B = (B\A)∪(A∩B) e como (B\A)∩(A∩ B) = ∅ pelo Axioma 3 tem-se P(B) = P(B\A) +P(A∩B).
Assim P(B\A) = P(B)−P(A ∩B).
21 / 39
2.2 (cont.)
Resultado 4: Se A ⊂ B ent˜ao P(A) ≤ P(B) Demonstra¸c˜ao: Se A ⊂ B, pode escrever-se
B = A∪(B\A) e A∩(B\A) = ∅
pelo Axioma 3, P(B) = P(A) +P(B\A) pelo Axioma 1, P(B\A) ≥ 0
logo P(B) ≥ P(A)
Ω
B A
Resultado 5: ∀A,B P(A∪B) = P(A) +P(B)− P(A∩B) Demonstra¸c˜ao: A∪B = A∪(B\A) e como A∩(B\A) = ∅ pelo Axioma 3: P(A∪ B) = P(A) +P(B\A)
e pelo Resultado 3: P(B\A) = P(B)−P(A ∩B) Assim, obt´em-se:
P(A∪B) = P(A) +P(B\A) = P(A) +P(B)−P(A∩ B).
Ω
A A∩B B
A\B B\A
23 / 39
2.2 (cont.)
Resultado 6: Para trˆes acontecimentos A, B e C do mesmo Ω, tem-se:
P(A∪B ∪C) = P(A) +P(B) +P(C)−
−P(A∩B)−P(A∩C)−P(B ∩C) + +P(A∩B ∩C)
Demonstra¸c˜ao: A∪B ∪C = (A∪B)∪C =A∗∪C e aplicar o resultado anterior.
Generaliza¸c˜ao: Para k acontecimentos, A1, A2, . . . , Ak, quaisquer do mesmo Ω, tem-se
P(A1∪ · · · ∪Ak) = P
k
[
i=1
Ai
!
=
k
X
i=1
P(Ai)−
k
X
i<j=1
P(Ai ∩Aj) +· · ·
· · ·+ (−1)k+1P(A1∩ · · · ∩Ak) Demonstra¸c˜ao: Por indu¸c˜ao aplicando o Resultado 5.
Exemplo de aplica¸c˜ ao da Axiom´ atica
Exemplo aplica¸c˜ao Axiomas e resultados
Numa determinada popula¸c˜ao 9.8% das pessoas adquirem a revista A, 22.9% a revista B e 5.1% ambas as revistas. Calcule a probabilidade de uma pessoa:
a) Adquirir pelo menos uma das revistas;
b) Adquirir somente a revista A;
c) N˜ao adquirir nenhuma das revistas.
Resolu¸c˜ao: Sejam os acontecimentos A -“Adquirir revista A” e B -“Adquirir revista B”
Ω = {(A,B); (A,B); (A,B); (A,B)} mas ∄ equiprobabilidade.
Sabe-se que: P(A) = 0.098, P(B) = 0.229 e P(A∩B) = 0.051
a) P(A∪B) =P(A) +P(B)−P(A∩B) = 0.098 + 0.229−0.051 = 0.276 b) P(A\B) =P(A)−P(A∩B) = 0.098−0.051 = 0.047
c) P(A∩B) =P(A∪B) = 1−P(A∪B) = 1−0.276 = 0.724
25 / 39
2.2 (cont.)
Probabilidade condicionada: C´alculo de probabilidades quando h´a alguma informa¸c˜ao adicional sobre o resultado de uma experiˆencia. ´E importante porque em muitas situa¸c˜oes ´e mais f´acil calcular
probabilidades condicionadas do que n˜ao condicionadas.
Motiva¸c˜ao - Probabilidade Condicionada
Considere-se o lan¸camento de um dado equilibrado com 6 faces (Ω = {1,2,3,4,5,6}), e os acontecimentos
A - sai a face 2, A = {2}
B - sai a face 1, B ={1}
C - sai face com n´umero ≤2, C = {1,2}
dado equilibrado ⇒ P(A) = P(B) = 16, P(C) = 13. Informa¸c˜ao adicional: saiu face par (acontecimento D)
D ={2,4,6} −→ espa¸co de resultados reduzido
Motiva¸c˜ao - Probabilidade Condicionada (cont.)
As probabilidades dos acontecimentos A, B e C, s˜ao alteradas em face da informa¸c˜ao adicional de que ocorreu o acontecimento D!
Nota¸c˜ao: representa-se por P(A|D) a probabilidade de A ocorrer sabendo que D ocorreu (pode ler-se probabilidade condicionada de A dado D).
E simples verificar que´
no espa¸co reduzido (D) no espa¸co original (Ω) P(A|D) = 13 = P(A∩D)
P(D) P(B|D) = 0 = P(B ∩D)
P(D) P(C|D) = 1
3 = P(C ∩D)
P(D)
27 / 39
2.2 (cont.)
Defini¸c˜ao: Probabilidade Condicionada
Defini¸c˜ao: A probabilidade condicionada do acontecimento A sabendo que ocorreu B (com P(B) >0) ´e:
P(A|B) = P(A∩B) P(B)
A probabilidade condicionada (sendo fixo o acontecimento condicionante, D, com P(D) >0) ´e uma nova medida de probabilidade que verifica os Axiomas e os resultados decorrentes destes.
A1. P(A|D) ≥0 A2. P(Ω|D) = 1 A3. P
S+∞
i=1 Ai|D
= P+∞
i=1 P(Ai|D), ∀A1,A2,...∈A:Ai∩Aj=∅,(i̸=j) R1. P(A|D) = 1−P(A|D)
R5. P((A∪B)|D) = P(A|D) +P(B|D)−P((A∩B)|D) etc.
2.2 (cont.)
Muitas vezes P(A|B) ´e conhecida ou f´acil de obter recorrendo ao espa¸co de resultados reduzido e a defini¸c˜ao de
probabilidade condicionada tem tamb´em grande aplica¸c˜ao no c´alculo de probabilidades de intersec¸c˜oes, como ´e f´acil de verificar se observarmos que:
⇓
Lei das probabilidades compostas (ou regra da multiplica¸c˜ao) Para dois acontecimentos A e B com P(A) > 0 e P(B) > 0
P(A∩B) = P(B)P(A|B) = P(A)P(B|A)
29 / 39
2.2 (cont.)
Estas rela¸c˜oes podem ser generalizadas e apresentadas no teorema seguinte:
Lei das probabilidades compostas (geral) Para n acontecimentos tais que P(∩n−1i=1Ai) > 0
P(A1 ∩A2 ∩ · · · ∩An) = P(A1)P(A2|A1)P(A3|A1 ∩A2)· · ·
· · ·P(An|A1 ∩A2 ∩ · · · ∩An−1)
Defini¸c˜ao: (Parti¸c˜ao de Ω)
Os subconjuntos n˜ao vazios A1, A2, . . . , Am formam uma parti¸c˜ao de Ω se
A1 ∪A2 ∪ · · · ∪Am = Ω e Ai ∩Aj = ∅, ∀i̸=j=1,...m (ou seja s˜ao exaustivos e mutuamente exclusivos)
31 / 39
2.2 (cont.) e 2.3 Teorema de Bayes
Teorema da probabilidade total
Se A1, A2, . . . , Am ´e uma parti¸c˜ao de Ω tal que P(Ai) > 0, ∀i, ent˜ao P(B) = P(B|A1)P(A1) +· · ·+P(B|Am)P(Am)
Teorema de Bayes
Se A1, A2, . . . , Am ´e uma parti¸c˜ao de Ω tal que P(Ai) > 0, ∀i, ent˜ao para qualquer acontecimento B com P(B) > 0
P(Ai|B) = P(B|Ai)P(Ai)
P(B) = P(B|Ai)P(Ai)
P(B|A1)P(A1) +· · ·+P(B|Am)P(Am)
2.2 + 2.3 (cont.)
Exemplo: Aplica¸c˜ao dos teoremas de Bayes e probabilidade total
Considere uma f´abrica que produz “Bicos de Bunsen” e que h´a duas linhas de produ¸c˜ao tais que:
linha 1 −→ probabilidade de defeituoso = 0.05 linha 2 −→ probabilidade de defeituoso = 0.02 sabe-se ainda que a linha 1 produz apenas 1/4 da produ¸c˜ao total.
Suponha que por erro humano os produtos produzidos de cada linha foram misturados. Sendo escolhido um “Bico de Bunsen” ao acaso dessa mistura, qual ´e a probabilidade de ele ser defeituoso?
Resolu¸c˜ao: Sejam os acontecimentos:
D - “Bico de Bunsen defeituoso”
L1 - ”Bico de Bunsen produzido na linha 1”
L2 - ”Bico de Bunsen produzido na linha 2” (= L1)
33 / 39
2.2 + 2.3 (cont.)
Resolu¸c˜ao (cont.): Elementos fornecidos:
P(L1) = 1/4, P(L2) = P(L1) = 3/4, P(D|L1) = 0.05, P(D|L1) = 0.02 Como combin´a-los?
D = (D ∩L1)∪(D ∩L1)
onde (D ∩L1) e (D ∩L1) s˜ao acontecimentos exclusivos.
P(D) = P(D ∩L1) +P(D ∩L2) =
= P(D|L1)P(L1) +P(D|L1)P(L1) =
= 0.05×0.25 + 0.02×0.75 =
= 0.0275
Recordar: Para um acontecimento A com P(A)>0,
P(B) =P(B|A)P(A) +P(B|A)P(A), pelo teorema da probabilidade total.
Generaliza¸c˜ao:
O que acontece se forem mais do que duas linhas de produ¸c˜ao, por exemplo 4?
P(D) = P(D|L1)P(L1) +P(D|L2)P(L2) +P(D|L3)P(L3) +P(D|L4)P(L4) Aten¸c˜ao! Para que esta express˜ao seja v´alida ´e necess´ario que
L1 ∪L2 ∪L3 ∪L4 = Ω
L1 ∩L2 = ∅, · · ·, L3 ∩L4 = ∅ ⇔ Li ∩Lj = ∅, ∀i̸=j=1,...4
35 / 39
2.2 + 2.3 (cont.)
Exemplo: Aplica¸c˜ao dos teoremas de Bayes e probabilidade total (cont.)
Foi escolhida um Bico de Bunsen ao acaso e verificou-se que era defeituoso. Qual ´e a probabilidade de ter sido produzido na linha 1?
Resolu¸c˜ao:
P(L1|D) = P(L1 ∩D)
P(D) = P(D|L1)P(L1)
P(D) = 0.05×0.25
0.0275 ≃ 0.4545 E na linha 2?
P(L2|D) = P(L1|D) = 1− P(L1|D) ≃ 0.5455
2.4 Acontecimentos independentes
Defini¸c˜ao: Acontecimentos independentes
Dois acontecimentos A e B s˜ao independentes (A ⊥⊥B) se e s´o se P(A∩B) = P(A)P(B).
Observa¸c˜oes:
Esta defini¸c˜ao ´e sempre v´alida.
Se A ´e tal que P(A) = 0, ent˜ao A ´e independente de qualquer outro acontecimento;
Todo o acontecimento A ´e independente dos acontecimentos ∅ e de Ω.
Se P(A) >0 e P(B)>0 e A∩B =∅ (A e B exclusivos), ent˜ao A e B n˜ao s˜ao independentes;
Se A ⊥⊥B ent˜ao P(A|B) = P(A) e P(B|A) =P(B), para A e B tais que P(A)>0 e P(B)> 0.
Se A ⊥⊥B ent˜ao A ⊥⊥B, A ⊥⊥B e A ⊥⊥B. Exerc´ıcio: demonstrar as afirma¸c˜oes anteriores.
37 / 39
2.4 (cont.)
Defini¸c˜ao: Independˆencia de mais do que dois acontecimentos A1, A2, . . . , An s˜ao acontecimentos mutuamente ou completamente independentes se para qualquer n´umero inteiro 2 ≤ r ≤n e qualquer grupo de r acontecimentos Ai1, Ai2, . . . , Air
P (Ai1 ∩Ai2 ∩ · · · ∩Air) = P(Ai1)P(Ai2)· · ·P(Air) Por exemplo:
A, B e C s˜ao (mutuamente) independentes se:
P(A∩B ∩C) = P(A)P(B)P(C) P(A∩B) = P(A)P(B)
P(A∩C) = P(A)P(C) P(B ∩ C) = P(B)P(C)
Defini¸c˜ao: Independˆencia condicional
Dois acontecimentos A e B s˜ao independentes condicionalmente a um acontecimento C, com P(C) > 0, ((A ⊥⊥ B)|C) se
P ((A∩B)|C) = P(A|C)P(B|C) Observa¸c˜oes:
(A ⊥⊥ B)|C ⇏ A ⊥⊥ B A ⊥⊥ B ⇒ (A ⊥⊥ B)|C Exerc´ıcios (na aula)
39 / 39